コンテンツにスキップ

汎用GNN力場とDFTによる無機結晶の構造探索：全固体電池向け固体電解質Li3OCl#

PHASE logo

全固体電池の実用化に向け、高いリチウムイオン伝導性を持つ固体電解質の探索が世界中で進められています。新規材料を開発する際、指定された組成に対してどのような原子配置（結晶構造）がエネルギー的に最も安定かを予測する「結晶構造予測（CSP）」は、材料設計の重要な出発点となります。本解析では、Pythonベースの構造生成ツールPyXtal、グラフニューラルネットワーク（GNN）をベースとした汎用GNN力場MACE-MP、そして第一原理計算（DFT）ソフトウェアAdvance/PHASEを組み合わせた、マテリアルズ・インフォマティクス（MI）と物理シミュレーションのハイブリッドワークフローを構築しました。これにより、膨大な候補構造の中から、固体電解質 Li3OClの既知の安定構造（反ペロブスカイト型）が高効率に特定されました。

Keywords: マテリアルズ・インフォマティクス (MI), 第一原理計算 (DFT), 構造予測 (CSP), 汎用GNN力場, 全固体電池, 固体電解質, Li3OCl, PyXtal, MACE-MP

背景#

無機結晶の構造探索は、従来、熟練した研究者の直感や既存のデータベースに依存していました。しかし、全く新しい未知の材料を探索する場合、考えられる空間群や Wyckoff 位置の組み合わせは膨大であり、それら全てを厳密な第一原理計算で評価するには膨大な計算コストが必要です。

本事例では、次世代の固体電解質候補である反ペロブスカイト型化合物 Li3OCl を題材とし、汎用GNN力場を「プレスクリーニング」に、Advance/PHASEによるDFT計算を「最終判定」に用いることで、探索の網羅性と結果の信頼性を両立させる手法を検証しました。

計算手順#

以下の4ステップによるハイスループット・ワークフローを実施しました。

  1. 初期構造のランダム生成 (PyXtal) [1]: 様々な空間群を指定し、Li3OCl の組成を持つ結晶構造をランダムに 200 種類生成しました。
  2. プレスクリーニング (MACE-MP) [2]: 生成した全構造に対し、Materials Project [3] の膨大なデータで学習された汎用GNN力場 MACE-MP を用いて構造最適化とエネルギー評価を行いました。ASE（Atomic Simulation Environment）[4] を通じてGNN力場を使用することで、1構造あたりの計算時間は数秒〜十数秒で完了するなど、非常に高速です。
  3. DFTによる精密解析 (Advance/PHASE): MACE-MP で評価されたエネルギーの低い上位 20 構造を抽出し、Advance/PHASEを用いたDFT計算で高精度な構造最適化・セル最適化（ASE利用）を実行しました。
  4. 既知構造との照合 (Structure Matcher): DFTで得られた最安定構造が、Materials Project等に登録されている既知の安定構造と一致するかを判定しました。

計算結果と考察#

エネルギーランドスケープの解析#

図1に、DFT計算によって得られた全エネルギーと体積の関係（Energy Landscape）を示します。緑色の大きな点は、Materials Project に登録されている既知構造（mp-985585）と一致した構造を示しています。

Energy Landscape of Li3OCl

図1. DFT計算による Li3OCl のエネルギーランドスケープ。緑で示す最安定構造（エネルギー最小点）が既知の安定構造と一致しました。また、詳細な解析の結果、エネルギー最小点には、異なる初期構造から出発して同一の最終状態へと収束した2つのデータ点が重なっていることが確認されています。

計算の結果、ランダムな初期構造から出発したにもかかわらず、DFT計算はエネルギー的に最も低い「Global Minimum」として、実際の安定構造（立方晶系、空間群 Pm-3m）を正しく特定することができました。

最安定構造（反ペロブスカイト型 Li3OCl）の特徴#

Crystal structure of anti-perovskite Li3OCl

図2. 左：同定された最安定構造 Li3OCl（反ペロブスカイト型、空間群 Pm-3m）。中心に酸素（赤）、面心にリチウム（紫）、頂点に塩素（緑）が配置されています。右：2x2x2スーパーセル（視認性のため）。

DFT計算によって最終的に同定された最安定構造は、図2に示すような「反ペロブスカイト型（Anti-perovskite）」と呼ばれる特徴的な結晶構造を持っています。通常のペロブスカイト（ABO3）における陽イオンと陰イオンの位置が逆転しており、Liイオンが骨格の面心サイトを占有しています。

この構造が全固体電池の固体電解質として非常に有望視されている理由は、3次元的に連結したリチウムイオンの高速伝導パスを有しているためです。Zhaoらの報告 [5] にも示されるように、この反ペロブスカイト骨格に適切な欠陥（リチウム空孔など）を導入することで、室温で非常に高いイオン伝導度（スーパーイオニック伝導）と低い活性化エネルギーが実現されます。さらに、構成元素（Li, O, Cl）が安価で軽量かつ環境負荷が低い点も、実用化に向けた決定的なアドバンテージとなっています。

汎用GNN力場とDFTの相関およびプレスクリーニングの妥当性#

本手法の鍵となる「プレスクリーニングの精度」を評価するため、MACE-MP による順位とDFT計算による順位の相関を調査しました（図3）。

Ranking Correlation MACE vs DFT

図3. 汎用GNN力場 (MACE-MP) と DFT (Advance/PHASE) の順位相関図（スクリーニング精度）。DFTによる1位と2位は、実質的に同じ（relative energy = 0.0000 eV/atom）です。

解析の結果、以下の重要な知見が得られました：

  • 高い網羅性: DFTで上位15位と評価された構造は、すべてMACE-MPでも上位15位以内に含まれていました（Top 15 Overlap: 15/15）。これは、汎用GNN力場をスクリーニングに用いることで、有望な候補を漏らさず絞り込めることを示しています。
  • DFTによる構造最適化の効果: 詳細なデータ解析から、興味深い事実が明らかになりました。DFT計算の結果、relative energyがゼロとなる最安定構造が、2種類の異なる初期構造（MACE-MPでの評価順位が2位と13位のもの）から得られることが判明しました。これらはいずれも、DFTによる精密な構造最適化を経て、同一の結晶構造・同一のエネルギー状態へと収束しました。
  • ハイブリッド手法の優位性: 図3において「MACE 13位 → DFT 1位」となっているプロットは、MACE-MPの段階ではポテンシャルエネルギー曲面上の異なる位置にあり比較的高いエネルギーと評価されていた初期構造が、DFTによる最適化によって真のグローバルミニマムへと正しく導かれた例を示しています。GNN力場による高速な順位付けは有力な指針となりますが、初期構造の微細な違いによらず確実な最安定構造を同定するためには、DFT計算による高精度な構造最適化が不可欠であることを示唆する結果と言えます。

解析のポイント：
汎用GNN力場 MACE-MP は多数の候補から有望な一握りを「逃さずに」絞り込む圧倒的なスピードを持っています。今回の解析では、MACEによってエネルギーの異なる別々の安定構造（2位および13位）と予測されたものが、DFT による精緻な構造最適化の結果、いずれも同一の最安定構造（1位）へと収束しました。これは、GNN力場レベルでは独立した安定点として区別されていた構造が、より高精度なDFT計算によって真のグローバルミニマムへ辿り着いたことを意味します。このように、候補構造を物理的な妥当性に基づいて最終的に「精査・確定」させるプロセスにおいて、DFT計算による検証は不可欠な役割を果たします。

まとめ#

本事例では、構造生成ツールPyXtal、汎用GNN力場（MACE-MP）、および第一原理計算ソフトウェア Advance/PHASE をシームレスに連携させることで、無機材料の未知構造を効率的に探索するワークフローを実証しました。特に、GNN力場による高速なスクリーニングと、DFT計算による高精度なエネルギー順位付けの組み合わせは、計算コストを最小限に抑えつつ、材料探索の確実性を大幅に向上させる強力な手法となります。今回、優れた固体電解質候補である Li3OClにおいて、ランダム生成から反ペロブスカイト構造を特定できた実績は、さらに複雑な多成分系材料や全く新しい未知材料の発見において、本手法が有望であることを示しています。

本解析の詳細や、研究への適用可能性に関するご相談はこちら

お問い合わせ

参考文献#

  1. S. Fredericks, K. Parrish, D. Sayre, and Q. Zhu, "PyXtal: A Python library for crystal structure generation and symmetry analysis", Comp. Phys. Comm. 261, 107810 (2021).
  2. I. Batatia, D. P. Kovacs, G. Simm, C. Ortner, G. Csányi, "MACE: Higher order equivariant message passing neural networks for fast and accurate force fields", Advances in Neural Information Processing Systems 35, 11423 (2022).
  3. A. Jain et al., "Commentary: The Materials Project: A materials genome approach to accelerating materials innovation", APL Materials 1, 011002 (2013).
  4. A. H. Larsen et al., "The Atomic Simulation Environment—A Python library for working with atoms", J. Phys.: Condens. Matter 29, 273002 (2017).
  5. Y. Zhao and L. L. Daemen, "Superionic Conductivity in Lithium-Rich Anti-Perovskites", J. Am. Chem. Soc. 134, 15042 (2012).

関連ページ#